Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda LabelEncoder | Pré-Processamento de Dados com Scikit-learn
Introdução ao ML com Scikit-Learn

bookLabelEncoder

O OrdinalEncoder e o OneHotEncoder são normalmente utilizados para codificar características (a variável X). No entanto, a variável alvo (y) também pode ser categórica.

123456789
import pandas as pd # Load the data and assign X, y variables df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/adult_edu.csv') y = df['income'] # Income is a target in this dataset X = df.drop('income', axis=1) print(y) print('All values: ', y.unique())
copy

O LabelEncoder é utilizado para codificar o alvo, independentemente de ser nominal ou ordinal.

Modelos de ML não consideram a ordem do alvo, permitindo que ele seja codificado como quaisquer valores numéricos. O LabelEncoder codifica o alvo em números 0, 1, ... .

1234567891011121314
import pandas as pd from sklearn.preprocessing import LabelEncoder # Load the data and assign X, y variables df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/adult_edu.csv') y = df['income'] # Income is a target in this dataset X = df.drop('income', axis=1) # Initialize a LabelEncoder object and encode the y variable label_enc = LabelEncoder() y = label_enc.fit_transform(y) print(y) # Decode the y variable back y_decoded = label_enc.inverse_transform(y) print(y_decoded)
copy

O código acima codifica o alvo utilizando o LabelEncoder e, em seguida, utiliza o método .inverse_transform() para convertê-lo de volta à representação original.

question mark

Escolha a afirmação correta.

Select the correct answer

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 2. Capítulo 7

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Awesome!

Completion rate improved to 3.13

bookLabelEncoder

Deslize para mostrar o menu

O OrdinalEncoder e o OneHotEncoder são normalmente utilizados para codificar características (a variável X). No entanto, a variável alvo (y) também pode ser categórica.

123456789
import pandas as pd # Load the data and assign X, y variables df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/adult_edu.csv') y = df['income'] # Income is a target in this dataset X = df.drop('income', axis=1) print(y) print('All values: ', y.unique())
copy

O LabelEncoder é utilizado para codificar o alvo, independentemente de ser nominal ou ordinal.

Modelos de ML não consideram a ordem do alvo, permitindo que ele seja codificado como quaisquer valores numéricos. O LabelEncoder codifica o alvo em números 0, 1, ... .

1234567891011121314
import pandas as pd from sklearn.preprocessing import LabelEncoder # Load the data and assign X, y variables df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/adult_edu.csv') y = df['income'] # Income is a target in this dataset X = df.drop('income', axis=1) # Initialize a LabelEncoder object and encode the y variable label_enc = LabelEncoder() y = label_enc.fit_transform(y) print(y) # Decode the y variable back y_decoded = label_enc.inverse_transform(y) print(y_decoded)
copy

O código acima codifica o alvo utilizando o LabelEncoder e, em seguida, utiliza o método .inverse_transform() para convertê-lo de volta à representação original.

question mark

Escolha a afirmação correta.

Select the correct answer

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 2. Capítulo 7
some-alt